CN110555804A - 高分遥感数据的纠正方法、装置、计算机设备及可读存储介质 - Google Patents
高分遥感数据的纠正方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN110555804A CN110555804A CN201810551697.XA CN201810551697A CN110555804A CN 110555804 A CN110555804 A CN 110555804A CN 201810551697 A CN201810551697 A CN 201810551697A CN 110555804 A CN110555804 A CN 110555804A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- data
- resolution remote
- boundary
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012937 correction Methods 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 55
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种高分遥感数据的纠正方法、装置、计算机设备及可读存储介质。该方法包括：根据高分遥感数据确定正确模板数据和边界提取掩膜，通过边界提取掩膜对高分遥感数据进行边界提取处理，再对高分遥感边界数据进行多次二值化处理，对多组二值化处理后的高分遥感边界数据和正确模板数据分别进行特征点检测，并将检测出的特征点进行匹配，得到多组正确匹配特征点对，确定最优二分阈值，通过最优二分阈值对应的正确匹配特征点对计算仿射矩阵，基于仿射矩阵对高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。该方法能够使得高分遥感边界数据能够和正确模板数据进行特征点匹配，降低特征点匹配的运算量，从而提高纠正方法的运算效率。
Description
技术领域
本发明涉及遥感技术领域，特别是涉及一种高分遥感数据的纠正方法、装置、计算机设备和可读存储介质。
背景技术
高分一号卫星是国家高分辨率对地观测系统重大专项天基系统中的首发星，目前高分一号卫星主要目的是突破高空间分辨率、多光谱与高时间分辨率结合的遥感技术。随着遥感技术的不断发展，遥感技术所获得的遥感影像的用途也越来越广，能够提供影像成果的数据源主要包括高分一号、高分二号、高分四号标准影像数据。以高分一号数据为例，由于卫星姿态等问题，产生的高分数据会出现部分偏移，所以对产生的高分数据需要纠正才能进行更精确的数据处理。
传统技术中，针对高分数据的纠正，是通过尺度不变特征变换(Scale InvariantFeature Transform，SIFT)算法在每个控制点的小范围内进行特征点检测和匹配，剔除错误匹配点后获取控制点匹配数据，再利用多种函数模型完成纠正，采用回归卫星姿态等参数以满足纠正精度。
但是，传统技术中的纠正方法运算效率低。
发明内容
基于此，有必要针对传统技术中的纠正方法运算效率低的问题，提供一种高分遥感数据的纠正方法、装置、计算机设备及可读存储介质。
第一方面，本发明实施例提供一种高分遥感数据的纠正方法，包括：
根据高分遥感数据确定正确模板数据和边界提取掩膜；
通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据；
根据所述高分遥感边界数据确定像素值值域；
在插值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，其中，所述像素值值域作为所述插值值域，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取；
对多组二值化后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点；
对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对；
通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵；
基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。
在其中一个实施例中，所述根据高分遥感数据确定正确模板数据和边界提取掩膜的步骤包括：
根据高分遥感数据确定经纬度范围；
通过所述经纬度范围确定正确模板数据以及边界提取掩膜。
在其中一个实施例中，所述根据高分遥感数据确定经纬度范围的步骤之前，还包括：
对高分遥感数据进行地理编码、辐射定标和大气校正处理。
在其中一个实施例中，所述对多组二值化后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点的步骤包括：
采用加速稳健特征算法对所述多组二值化后的高分遥感边界数据进行特征点检测；
通过所述加速稳健特征算法对所述正确模板数据进行特征点检测。
在其中一个实施例中，所述对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对的步骤还包括：
对所述多组高分遥感边界数据的特征点和正确模板数据的特征点进行匹配，获得多组匹配特征点对；
去除所述多组匹配特征点对中的多组错误匹配点对，得到多组正确匹配特征点对。
在其中一个实施例中，所述去除所述多组匹配特征点对中的多组错误匹配点对，得到多组正确匹配特征点对的步骤包括：
使用先验距离去错方法去除所述多组错误匹配特征点对；
使用随机抽样一致方法再次去除所述多组错误匹配特征点对，得到所述多组正确匹配特征点对。
在其中一个实施例中，所述通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵的步骤包括：
根据多组正确匹配特征点对获得多个正确特征点对数目，生成特征点对数目-二分阈值的曲线；
根据所述特征点对数目-二分阈值的曲线确定最优二分阈值。
第二方面，本发明实施例提供一种高分遥感数据纠正装置，包括：
确定模块，用于根据高分遥感数据确定正确模板数据和边界提取掩膜；
边界提取模块，用于通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据；
确定值域模块，用于根据所述高分遥感边界数据确定像素值值域；
二值化模块，用于在插值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，其中，所述像素值值域作为所述插值值域，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取；
检测模块，用于对多组二值化后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点；
匹配模块，用于对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对；
计算模块，用于通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵；
仿射变换模块，用于基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。
第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中所述方法的步骤。
第四方面，本发明实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中所述方法的步骤。
本实施例提供的高分遥感数据的纠正方法、装置、计算机设备及可读存储介质，计算机设备根据高分遥感数据确定正确模板数据和边界提取掩膜，通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据，根据所述高分遥感边界数据确定像素值值域，在插值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，其中，所述像素值值域作为所述插值值域，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取，对多组二值化后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点，对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对，通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵，基于所述仿射矩阵对所述高分遥感数据进行仿射变换，从而得到纠正后的高分遥感数据。由于计算机设备能够在像素值值域内插入二分阈值，对高分遥感边界数据进行二值化，可以和矢量边界进行特征匹配，同时降低特征匹配的运算量。因此，采用本实施例的高分遥感数据的纠正方法、装置、计算机设备及可读存储介质，提高纠正方法的运算效率。
附图说明
图1为一个高分遥感数据纠正系统结构示意图；
图2为一个实施例提供的高分遥感数据的纠正方法流程示意图；
图3为一个实施例提供的确定正确模板数据和边界提取掩膜方法的流程示意图；
图4为一个实施例提供的特征点检测方法的流程示意图；
图5为另一实施例提供确定最优二分阈值方法的流程示意图；
图6为另一实施例提供的高分遥感数据预处理方法的流程示意图；
图7为另一实施例提供的获得正确匹配特征点对方法的流程示意图；
图8为一个实施例提供的获得正确匹配特征点对具体方法的流程示意图；
图9为另一实施例提供的高分遥感数据纠正装置的结构示意图；
图10为另一实施例提供的高分遥感数据纠正装置的结构示意图；
图11为另一实施例提供的高分遥感数据纠正装置的结构示意图；
图12为另一实施例提供的高分遥感数据纠正装置的结构示意图；
图13为另一实施例提供的计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供的高分遥感数据的纠正方法，可以适用于图1所示的高分遥感数据纠正系统。如图1所示，该系统包括卫星、地面站和计算机设备。其中，卫星和地面站通过无线进行通信，地面站和计算机设备也可以通过无线进行通信，地面站和计算机设备还可以通过有线进行通信。可选的，上述卫星可以为高分一号卫星；上述计算机设备可以为PC、便携式设备、服务器等具有数据处理功能的电子设备。需要说明的是，本实施例对卫星及计算机设备的具体形式不做限定。
上述卫星上搭载的传感器接收携带地表地物特性的信号并成像，图像数据通过地面站接收，并最终获取至计算机设备，然后，计算机设备执行本实施例提供的高分遥感数据的纠正方法，在下述的实施例中将具体介绍计算机设备的处理过程。
需要说明的是，本发明实施例提供的高分遥感数据的纠正方法，其执行主体可以是高分遥感数据的纠正装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为PC、便携式设备、服务器等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式并不做限定。下述方法实施例的执行主体以计算机设备为例来进行说明。
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
图2为一个实施例提供的高分遥感数据的纠正方法流程示意图，本实施例涉及的是计算机设备对高分遥感数据二值化后进行特征点检测和匹配，去除错误匹配特征点对确定最优二分阈值，根据最优二分阈值计算仿射矩阵，并根据仿射矩阵进行仿射变换实现高分遥感数据纠正的具体过程。该方法包括：
S1001、根据高分遥感数据确定正确模板数据和边界提取掩膜。
具体的，计算机设备可以通过高分遥感数据对应的地面实况确定对应的正确模板数据和边界提取掩膜。可选的，上述边界提取掩膜可以表征为用于对高分遥感数据进行边界处理的掩膜，可选的，该掩膜可以表征为用于对高分遥感数据进行边界处理的算子。
S1002、通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据。
具体的，计算机设备可以通过获取的边界提取掩膜对应的算子，对高分遥感数据进行边界提取处理，得到高分遥感边界数据。可选的，该算子可以为罗伯茨算子，拉普拉斯算子，所贝尔算子等。可选的，上述边界提取处理可以表征为通过获得的边界提取掩膜对应的算子对高分遥感数据进行卷积处理。
S1003、根据所述高分遥感边界数据确定像素值值域；
具体的，计算机设备可以通过得到的高分遥感边界数据中的最大值和最小值确定像素值值域。可选的，该像素值值域可以为高分遥感边界数据中的最小值到高分遥感边界数据中的最大值之间的数值区间。
S1004、在像素值值域内插入二分阈值，将所述高分遥感边界数据进行二值化，其中，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取。
具体的，计算机设备可以在上述获得的像素值值域内每一次插入一个二分阈值，对高分遥感边界数据进行多次二值化处理。可选的，该二分阈值可以为通过插入的二分阈值数量和像素值值域得到的。可选的，该二分阈值数量可以为任意数值，对此本实施例不做任何限定。可选的，二值化处理的次数可以为插入的二分阈值数量。例如，若通过高分遥感边界数据确定的像素值值域为[0，50]，在像素值值域内插入的二分阈值数量为6，则插入的二分阈值为0，10，20，30，40，50，每一次插入一个二分阈值到高分遥感边界数据确定的边界处理后的内进行二值化，相当于需要进行二值化处理的次数为6。
S1005、对多组二值化处理后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点。
具体的，计算机设备可以对每一次二值化处理后的高分遥感边界数据采用检测算法进行特征点检测，并对正确模板数据采用上述检测算法进行特征点检测，得到多组二值化处理后的高分遥感边界数据的特征点和正确模板数据的特征点。可选的，上述特征点可以为图像中的线条、交叉点、边界封闭区域的重心，还可以为曲面的高点等，该特征点还可以表征为图像中具有显著性信息的点。可选的，上述高分遥感边界数据的特征点和正确模板数据的特征点可以为检测出的正确特征点，还可以为检测出的错误特征点，对此本实施例并不做任何限定。需要说明的是，计算机设备对二值化处理后的高分遥感边界数据进行特征点检测的次数可以为上述插入二分阈值的数量，并且检测出高分遥感边界数据的特征点的组数可以为上述插入二分阈值的数量。
S1006、对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对。
具体的，计算机设备对上述检测出的多组高分遥感边界数据的特征点和正确模板数据的特征点采用匹配算法进行匹配，得到多组正确匹配特征点对。可选的，上述匹配可以为非对应特征点匹配，还可以为对应特征点匹配，对此本实施例不做限定。可选的，非对应特征点匹配可以为从高分遥感边界数据中检测出的正确匹配点，与正确模板数据中检测出的错误特征点的匹配，还可以为从高分遥感边界数据中检测出的错误特征点，与正确模板数据中检测出的错误特征点的匹配。可选的，对应特征点匹配可以为高分遥感边界数据中检测出的正确特征点，与正确模板数据中检测出的正确特征点的匹配。
S1007、通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵。
具体的，计算机设备可以根据获得的每一组正确匹配点对在二值化处理时，插入的对应二分阈值选择最优二分阈值，并通过最优二分阈值对应的一组正确匹配特征点对采用最小二乘法计算仿射矩阵。
S1008、基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。
具体的，计算机设备可以通过得到的仿射矩阵对高分遥感数据进行线性变换，完成高分遥感数据的仿射变换，得到纠正后的高分遥感数据。可选的，线性变换可以为平移、缩放、翻转、旋转和错切。
本实施例提供的高分遥感数据的纠正方法，计算机设备根据高分遥感数据确定正确模板数据和边界提取掩膜，通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，根据高分遥感边界数据确定像素值值域，在像素值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，对多组二值化处理后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，将获得多组高分遥感边界数据的特征点与所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对，通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵，基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。由于计算机设备对高分遥感数据进行边界处理后，再进行二值化处理，便于高分遥感数据的后续处理，使得高分遥感边界数据能够和正确模板数据进行特征点匹配，降低特征点匹配的运算量，从而提高纠正方法的运算效率。
在其中一个实施例中，上述S1001中计算机设备根据高分遥感数据确定正确模板数据和边界提取掩膜，可以通过图3所述的方法实现，具体为：
S1011、根据高分遥感数据确定经纬度范围。
具体的，计算机设备可以根据高分遥感数据提取物体信息得到高分遥感影像，并通过高分遥感影像可以实时的获取经纬度信息。可选的，物体信息可以为时空分布、功能结构等有关信息。
S1021、通过所述经纬度范围确定正确模板数据以及边界提取掩膜。
具体的，计算机设备根据获得的经纬度信息，可以得到高分遥感数据对应地面实况，根据地面实况确定对应的正确模板数据和边界提取掩膜。可选的，地面实况可以为道路、湖泊、河流、山脊线等，对此本实施例不做任何限定。可选的，若高分遥感数据对应的地面实况为道路时，则正确模板数据可以为道路的正确模板数据，边界提取掩膜可以为道路边界掩膜，也就是说不同地面实况的高分遥感数据有其对应的正确模板数据和对应的边界提取掩膜。
本实施例提供的高分遥感数据的纠正方法，计算机设备根据高分遥感数据确定经纬度范围，并通过所述经纬度范围确定正确模板数据以及边界提取掩膜。由于计算机采用上述方法可以准确的获取高分遥感数据对应的正确模板数据以及对应的边界提取掩膜，能够对高分遥感数据进行预处理，提高后续纠正处理的运算效率。
在其中一个实施例中，上述S1005中计算机设备对多组二值化后的高分遥感边界数据和正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和正确模板数据的特征点，可以通过图4所述的方法实现，具体为：
S1015、采用加速稳健特征算法对所述多组二值化后的高分遥感边界数据进行特征点检测。
可选的，上述加速稳健特征(Speeded Up Robust Features，SURF)算法可以用于局部特征点检测。
需要说明的是，对高分遥感边界数据进行检测，检测出的特征点可以为高分遥感边界数据的正确特征点，还可以为高分遥感边界数据的错误特征点。
S1025、通过所述加速稳健特征算法对所述正确模板数据进行特征点检测。
需要说明的是，对正确模板数据进行检测，检测出的特征点可以为正确模板数据的正确特征点，还可以为正确模板数据的错误特征点。
本实施例提供的高分遥感数据的纠正方法，计算机设备采用加速稳健特征算法对所述多组二值化后的高分遥感边界数据进行特征点检测，并采用加速稳健特征算法对所述多组二值化后的高分遥感边界数据进行特征点检测。由于计算机设备通过SURF算法对特征点进行检测极大地加速了特征检测的过程，其相较于传统的特征点检测方法，如：尺度不变特征变化匹配(Scale Invariant Feature Transform，SIFT)算法的运算效率高达几百倍，并且SURF算法可以对大量高分遥感边界数据进行特征点检测，检测范围较广。
在其中一个实施例中，上述S1007中计算机设备通过多组正确匹配特征点对确定最优二分阈值，并通过最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵，可以通过图5所述的方法实现，具体为：
S1017、根据多组正确匹配特征点对获得多个正确特征点对数目，生成特征点对数目-二分阈值的曲线。
具体的，计算机设备通过得到的多组正确匹配特征点对确定多个对应的正确特征点对数目，并根据多个正确特征点对数目和二值化时插入的对应二分阈值生成特征点对数目-二分阈值的曲线。
S1027、根据所述特征点对数目-二分阈值的曲线确定最优二分阈值。
具体的，特征点对数目-二分阈值的曲线图中，横坐标表征二分阈值，纵坐标表征特征点对数目，两者具有对应关系，通过曲线图确定最大正确特征点对数目对应的二分阈值为最优二分阈值。
本实施例提供的高分遥感数据的纠正方法，计算机设备根据多组正确匹配特征点对获得多个正确特征点对数目，生成特征点对数目-二分阈值的曲线，根据所述特征点对数目-二分阈值的曲线确定最优二分阈值。由于计算机设备通过确定最优二分阈值可以暴露高分遥感数据中全部特征，其相较于传统技术中采用一个特征阈值并不能暴露不同高分遥感数据中的全部特征，本实施例所确定的最优水体阈值就可以暴露高分遥感数据的全部特征，操作简单，进而可以提高运算效率。
图6为另一实施例提供的高分遥感数据的纠正方法流程示意图。如图6所示，在计算机设备根据高分遥感数据确定经纬度范围的步骤之前，还包括对高分遥感数据进行地理编码、辐射定标和大气校正处理。
具体的，上述地理编码可以表征为将图像校正为一种统一标准的坐标系。上述辐射定标可以表征为通过传感器将记录的原始像元亮度(Digital Number，DN)值转换为具有实际物理意义的大气顶层辐射亮度或反射率。上述大气校正可以表征为通过将辐射亮度或者表面反射率转换为地表实际反射率。
本实施例提供的高分遥感数据的纠正方法，计算机设备可以对高分遥感数据进行预处理，依次为地理编码、辐射定标和大气校正处理。由于计算机设备对高分遥感数据进行地理编码为了将地址信息转换为地理坐标的过程，以便图像后续处理，对高分遥感数据进行辐射定标为了消除传感器本身的误差，确定传感器入口处的准确辐射值，对高分遥感数据进行大气校正为了消除大气散射、吸收、反射引起的误差，从而得到消除干扰的预处理后高分遥感数据，进而提高高分遥感数据的纠正精确度。
图7为另一实施例提供的高分遥感数据的纠正方法流程示意图。计算机设备对多组高分遥感边界数据的特征点和正确模板数据的特征点进行匹配，得到多组正确匹配特征点对，可以通过图7所述的方法实现，包括：
S1016、对所述多组高分遥感边界数据的特征点和正确模板数据的特征点进行匹配，获得多组匹配特征点对。
具体的，计算机设备对通过检测得到的高分遥感边界数据特征点和通过检测得到的正确模板数据特征点，可以采用上述SURF算法进行特征点匹配，得到多组匹配特征点对。可选的，每一组匹配特征点对可以为多个对应的匹配点对和/或多个非对应的匹配特征点对。可选的，一个对应的匹配特征点对可以为两个检测出的正确特征点，一个非对应的匹配特征点对可以为一个检测出的正确特征点和另一个检测出的错误特征点，还可以为一个检测出的错误特征点和另一个检测出的错误特征点，对此本实施例并不做任何限定。
S1026、去除所述多组匹配特征点对中的多组错误匹配点对，得到多组正确匹配特征点对。
具体的，计算机设备通过去错方法去除多组匹配特征点对中的每一组错误匹配点对，得到多组正确匹配特征点对。
本实施例提供的高分遥感数据的纠正方法，计算机设备对所述多组高分遥感边界数据的特征点和正确模板数据的特征点进行匹配，获得多组匹配特征点对，并去除所述多组匹配特征点对中的多组错误匹配点对，得到多组正确匹配特征点对。由于计算机设备去除每一组匹配特征点对中的错误匹配特征点对，能够准确的得到正确匹配特征点对。
在其中一个实施例中，上述S1016中计算机设备去除多组匹配特征点对中的多组错误匹配点对，得到多组正确匹配特征点对，可以通过图8所述的方法实现，具体为：
S1116、使用先验距离去错方法去除所述多组错误匹配特征点对。
具体的，计算机设备采用先验距离去错方法去除每一组匹配特征点对中的错误匹配特征点对，该先验距离去错方法可以对匹配特征点对进行预去错。
需要说明的是，当两个特征点的经纬度坐标距离小于距离阈值时，则确定这两个特征点为待选的正确匹配特征点对，否则就去除这两个特征点。通过欧氏距离计算得到上述两个特征点的经纬度坐标距离，距离阈值根据高分遥感数据的最大畸变距离确定，只要距离阈值大于最大畸变距离即可，具体数值基本不会对去错结果产生影响，为了去除匹配特征点对中的显著性错误匹配特征点对。在本实施例中，高分数据最大畸变距离通常不超过20，从而距离阈值必须大于20。
S1216、使用随机抽样一致方法再次去除所述多组错误匹配点对，得到所述多组正确匹配特征点对。
需要说明的是，计算机设备采用随机抽样一致(Random Sample Consensus，RANSAC)方法去除进行预去错处理后每一组匹配特征点对中的错误匹配特征点对，基于上述S1116步骤的基础上，缩小了匹配特征点对中的错误匹配特征点对数目，进而采用RANSAC方法去除错误匹配点对可以提高计算速度，减少计算内存，提高计算精度。
本实施例提供的高分遥感数据的纠正方法，计算机设备可以使用先验距离去错方法去除所述多组错误匹配特征点对，并使用随机抽样一致方法再次去除所述多组错误匹配特征点对，得到所述多组正确匹配特征点对。由于计算机设备对检测出的高分遥感边界数据特征点和正确模板数据特征点进行匹配，得到正确匹配特征点对和/或错误匹配点对，并通过先验距离去错方法和RANSAC方法去除匹配特征点对中的错误匹配特征点对，从而提高纠正精确度。
图9为一个实施例提供的高分遥感数据纠正装置的结构示意图，该装置包括：确定模块11、边界提取模块12、确定值域模块13、二值化模块14、检测模块15、匹配模块16、计算模块17和仿射变换模块18。
具体的，确定模块11，用于根据高分遥感数据确定正确模板数据和边界提取掩膜。
边界提取模块12，用于通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据。
确定值域模块13，用于根据所述高分遥感边界数据确定像素值值域。
二值化模块14，用于在像素值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，其中，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取。
检测模块15，用于对多组二值化处理后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点。
匹配模块16，用于对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对。
计算模块17，用于通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵。
仿射变换模块18，用于基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。
本实施例提供的高分遥感数据的纠正装置，其实现效果和技术效果类似，在此不再赘述。
图10为另一个实施例提供的高分遥感数据的纠正装置的结构示意图，如图10所示，在上述图9所示的实施例的基础上，所述确定模块11包括：第一确定单元111和第二确定单元112。
具体的，第一确定单元111，用于根据高分遥感数据确定经纬度范围。
第二确定单元112，用于通过所述经纬度范围确定正确模板数据以及边界提取掩膜。
本实施例提供的高分遥感数据的纠正装置，其实现效果和技术效果类似，在此不再赘述。
继续参见上述图10，在上述图9所示的实施例的基础上，所述检测模块15包括：第一检测单元151和第二检测单元152。
具体的，第一检测单元151，用于采用加速稳健特征算法对所述多组二值化后的高分遥感边界数据进行特征点检测。
第二检测单元152，用于通过所述加速稳健特征算法对所述正确模板数据进行特征点检测。
本实施例提供的高分遥感数据的纠正装置，其实现效果和技术效果类似，在此不再赘述。
继续参见上述图10，在上述图9所示的实施例的基础上，所述计算模块17包括：生成曲线单元171和第三确定单元172。
具体的，生成曲线单元171，用于根据多组正确匹配特征点对获得多个正确特征点对数目，生成特征点对数目-二分阈值的曲线。
第三确定单元172，用于根据所述特征点对数目-二分阈值的曲线确定最优二分阈值。
本实施例提供的高分遥感数据的纠正装置，其实现效果和技术效果类似，在此不再赘述。
图11为另一个实施例提供的高分遥感数据的纠正装置的结构示意图，如图11所示，在上述图10所示的实施例的基础上，该装置还包括：预处理模块19。
具体的，预处理模块19，用于对高分遥感数据进行地理编码、辐射定标和大气校正处理。
本实施例提供的高分遥感数据的纠正装置，其实现效果和技术效果类似，在此不再赘述。
图12为另一个实施例提供的高分遥感数据的纠正装置的结构示意图，如图12所示，所述匹配模块16包括：匹配单元161和去错单元162。
具体的，匹配单元161，用于对所述多组高分遥感边界数据的特征点和正确模板数据的特征点进行匹配，获得多组匹配特征点对。
去错单元162，用于去除所述多组匹配特征点对中的多组错误匹配点对，得到多组正确匹配特征点对。
本实施例提供的高分遥感数据的纠正装置，其实现效果和技术效果类似，在此不再赘述。
继续参见上述图12，所述去错单元162具体包括：
第一去错子单元1621，用于使用先验距离去错方法去除所述多组错误匹配特征点对。
第二去错子单元1622，用于使用随机抽样一致方法再次去除所述多组错误匹配点对，得到所述多组正确匹配特征点对。
本实施例提供的高分遥感数据的纠正装置，其实现效果和技术效果类似，在此不再赘述。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种高分遥感数据的纠正方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，该处理器执行计算机程序时实现以下步骤：
根据高分遥感数据确定正确模板数据和边界提取掩膜；
通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据；
根据所述高分遥感边界数据确定像素值值域；
在像素值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，其中，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取；
对多组二值化处理后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点；
对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对；
通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵；
基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据高分遥感数据确定正确模板数据和边界提取掩膜；
通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据；
根据所述高分遥感边界数据确定像素值值域；
在像素值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，其中，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取；
对多组二值化处理后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点；
对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对；
通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵；
基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器、可编程只读存储器、电可编程只读存储器、电可擦除可编程只读存储器或闪存。易失性存储器可包括随机存取存储器或者外部高速缓冲存储器。作为说明而非局限，随机存取存储器以多种形式可得，诸如静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双数据率同步动态随机存取存储器、增强型双数据率同步动态随机存取存储器、同步链路动态随机存取存储器、存储器总线直接随机存取存储器、直接存储器总线动态随机存取存储器、以及存储器总线动态随机存取存储器等。
以上实施例的各技术特征可以进行任意的组合，为使描述间接，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种高分遥感数据的纠正方法，其特征在于，所述方法包括：
根据高分遥感数据确定正确模板数据和边界提取掩膜；
通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据；
根据所述高分遥感边界数据确定像素值值域；
在像素值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，其中，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取；
对多组二值化处理后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点；
对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对；
通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵；
基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。
2.根据权利要求1所述的方法，其特征在于，所述根据高分遥感数据确定正确模板数据和边界提取掩膜的步骤包括：
根据高分遥感数据确定经纬度范围；
通过所述经纬度范围确定正确模板数据以及边界提取掩膜。
3.根据权利要求2所述的方法，其特征在于，所述根据高分遥感数据确定经纬度范围的步骤之前，还包括：
对高分遥感数据进行地理编码、辐射定标和大气校正处理。
4.根据权利要求1所述的方法，其特征在于，所述对多组二值化后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点的步骤包括：
采用加速稳健特征算法对所述多组二值化后的高分遥感边界数据进行特征点检测；
通过所述加速稳健特征算法对所述正确模板数据进行特征点检测。
5.根据权利要求1所述的方法，其特征在于，所述对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对的步骤包括：
对所述多组高分遥感边界数据的特征点和正确模板数据的特征点进行匹配，获得多组匹配特征点对；
去除所述多组匹配特征点对中的多组错误匹配点对，得到多组正确匹配特征点对。
6.根据权利要求5所述的方法，其特征在于，所述去除所述多组匹配特征点对中的多组错误匹配点对，得到多组正确匹配特征点对的步骤包括：
使用先验距离去错方法去除所述多组错误匹配特征点对；
使用随机抽样一致方法再次去除所述多组错误匹配特征点对，得到所述多组正确匹配特征点对。
7.根据权利要求1所述的方法，其特征在于，所述通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵的步骤包括：
根据多组正确匹配特征点对获得多个正确特征点对数目，生成特征点对数目-二分阈值的曲线；
根据所述特征点对数目-二分阈值的曲线确定最优二分阈值。
8.一种高分遥感数据纠正装置，其特征在于，包括：
确定模块，用于根据高分遥感数据确定正确模板数据和边界提取掩膜；
边界提取模块，用于通过所述边界提取掩膜对所述高分遥感数据进行边界提取处理，得到高分遥感边界数据；
确定值域模块，用于根据所述高分遥感边界数据确定像素值值域；
二值化模块，用于在插值值域内插入多个二分阈值，将所述高分遥感边界数据进行多次二值化处理，其中，所述像素值值域作为所述插值值域，所述二分阈值是通过插入的二分阈值数量和所述像素值值域共同获取；
检测模块，用于对多组二值化后的高分遥感边界数据和所述正确模板数据分别进行特征点检测，获得多组高分遥感边界数据的特征点和所述正确模板数据的特征点；
匹配模块，用于对所述多组高分遥感边界数据的特征点和所述正确模板数据的特征点进行匹配，得到多组正确匹配特征点对；
计算模块，用于通过所述多组正确匹配特征点对确定最优二分阈值，并通过所述最优二分阈值对应的正确匹配特征点对计算得到仿射矩阵；
仿射变换模块，用于基于所述仿射矩阵对所述高分遥感数据进行仿射变换，得到纠正后的高分遥感数据。
9.一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810551697.XA CN110555804B (zh) | 2018-05-31 | 2018-05-31 | 高分遥感数据的纠正方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810551697.XA CN110555804B (zh) | 2018-05-31 | 2018-05-31 | 高分遥感数据的纠正方法、装置、计算机设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110555804A true CN110555804A (zh) | 2019-12-10 |
| CN110555804B CN110555804B (zh) | 2022-04-15 |
Family
ID=68735027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810551697.XA Active CN110555804B (zh) | 2018-05-31 | 2018-05-31 | 高分遥感数据的纠正方法、装置、计算机设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555804B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102383A (zh) * | 2020-09-18 | 2020-12-18 | 深圳市赛为智能股份有限公司 | 图像配准方法、装置、计算机设备及存储介质 |
| CN113221788A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080151234A1 (en) * | 2006-12-20 | 2008-06-26 | Hitachi High-Technologies Corporation | Foreign matter inspection apparatus |
| CN101672646A (zh) * | 2009-10-09 | 2010-03-17 | 国家卫星气象中心 | 一种卫星图像自动几何精校正方法 |
| CN104240231A (zh) * | 2014-07-08 | 2014-12-24 | 大连民族学院 | 基于局部结构二进制模式的多源图像配准 |
| CN104282006A (zh) * | 2014-09-30 | 2015-01-14 | 中国科学院国家天文台 | 基于嫦娥二号数据的高分辨率影像拼接方法 |
| CN104568986A (zh) * | 2015-01-26 | 2015-04-29 | 中国科学院半导体研究所 | 基于surf算法的遥控器面板印刷缺陷自动检测方法 |
| CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
| CN106874949A (zh) * | 2017-02-10 | 2017-06-20 | 华中科技大学 | 一种基于红外图像的动平台运动目标检测方法及系统 |
| CN107341781A (zh) * | 2017-07-20 | 2017-11-10 | 中国科学院电子学研究所 | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 |
| CN107464214A (zh) * | 2017-06-16 | 2017-12-12 | 理光软件研究所（北京）有限公司 | 生成太阳能电站全景图的方法 |
-
2018
- 2018-05-31 CN CN201810551697.XA patent/CN110555804B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080151234A1 (en) * | 2006-12-20 | 2008-06-26 | Hitachi High-Technologies Corporation | Foreign matter inspection apparatus |
| CN101672646A (zh) * | 2009-10-09 | 2010-03-17 | 国家卫星气象中心 | 一种卫星图像自动几何精校正方法 |
| CN104240231A (zh) * | 2014-07-08 | 2014-12-24 | 大连民族学院 | 基于局部结构二进制模式的多源图像配准 |
| CN104282006A (zh) * | 2014-09-30 | 2015-01-14 | 中国科学院国家天文台 | 基于嫦娥二号数据的高分辨率影像拼接方法 |
| CN104568986A (zh) * | 2015-01-26 | 2015-04-29 | 中国科学院半导体研究所 | 基于surf算法的遥控器面板印刷缺陷自动检测方法 |
| CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
| CN106874949A (zh) * | 2017-02-10 | 2017-06-20 | 华中科技大学 | 一种基于红外图像的动平台运动目标检测方法及系统 |
| CN107464214A (zh) * | 2017-06-16 | 2017-12-12 | 理光软件研究所（北京）有限公司 | 生成太阳能电站全景图的方法 |
| CN107341781A (zh) * | 2017-07-20 | 2017-11-10 | 中国科学院电子学研究所 | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 |
Non-Patent Citations (7)
| Title |
|---|
| BJÖRN J. DÖRING等: "Point target correction coefficients for absolute SAR calibration", 《2011 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE》 * |
| M. BACHMANN等: "Calibration and pre-processing of a multi-decadal AVHRR time series", 《REMOTE SENSING TIME SERIES》 * |
| M.NAKANO等: "Automatic GCP creation for NOAA AVHRR image geometric correction", 《IGARSS 2004. 2004 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
| 张永梅等: "综合像素级和特征级的建筑物变化检测方法", 《计算机科学》 * |
| 胡昌苗等: "GF-4序列图像的云自动检测", 《遥感学报》 * |
| 袁修孝等: "基于边缘特征匹配的遥感影像", 《武汉大学学报 信息科学版》 * |
| 韩天庆: "结合 SURF 和分水岭分割的遥感影像镶嵌线提取", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102383A (zh) * | 2020-09-18 | 2020-12-18 | 深圳市赛为智能股份有限公司 | 图像配准方法、装置、计算机设备及存储介质 |
| CN113221788A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110555804B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369545B (zh) | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 | |
| CN111814794B (zh) | 文本检测方法、装置、电子设备及存储介质 | |
| US11080833B2 (en) | Image manipulation using deep learning techniques in a patch matching operation | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| US7912321B1 (en) | Image registration with uncertainty analysis | |
| US10755139B2 (en) | Random sample consensus for groups of data | |
| CN111310758A (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
| CN116797590B (zh) | 一种基于机器视觉的Mura缺陷检测方法及系统 | |
| CN110555804B (zh) | 高分遥感数据的纠正方法、装置、计算机设备及可读存储介质 | |
| US10395090B2 (en) | Symbol detection for desired image reconstruction | |
| CN110211200A (zh) | 一种基于神经网络技术的牙弓线生成方法及其系统 | |
| CN113935958A (zh) | 线缆弯曲半径检测方法与装置 | |
| CN109035306B (zh) | 动目标自动检测方法及装置 | |
| CN112464952A (zh) | 一种图像对齐方法以及图像匹配识别方法 | |
| CN115330803B (zh) | 一种表面缺陷数据增强方法、装置、电子设备及存储介质 | |
| CN109284707B (zh) | 动目标检测方法及装置 | |
| Gu et al. | Polynomial fitting-based shape matching algorithm for multi-sensors remote sensing images | |
| CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
| CN107239776B (zh) | 倾斜图像校正的方法和装置 | |
| CN111540016A (zh) | 基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质 | |
| Chican et al. | Constrained patchmatch for image completion | |
| CN111369425A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN111161174A (zh) | 一种血管模型建立方法、装置、计算机设备和存储介质 | |
| Kamal et al. | Identification of numbers and positions using matlab to solve sudoku on fpga | |
| CN114638968B (zh) | 一种空间目标的几何结构与关键点提取方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |